zlging309的专栏

http://www.fit.vutbr.cz/~imikolov/rnnlm/ Introduction Neural network based language models are nowdays among the most successful techniques for statistical language modeling. They can be eas

地址： http://www.cs.princeton.edu/courses/archive/spr04/cos598B/bib/BroderCFM-minwise.pdf

word vector :的有人做句子级的语义向量，比如这个 http://www.socher.org/index.php/Main/SemanticCompositionalityThroughRecursiveMatrix-VectorSpaces 篇章级目前还是topic model用的比较多，形式上也是一篇文章一个实数向量。但是和word2vec不是同一个派系的

http://www.cnblogs.com/xyz2abc/p/3265512.html

stanford parser 地址：http://nlp.stanford.edu/software/lex-parser.shtml Mstparser  地址：http://www.seas.upenn.edu/~strctlrn/MSTParser/MSTParser.html

一个度量分词准确性的办法，先分词，然后用word2vec算算词语的相似性

谷歌已经使用Deep Learning技术开发了许多新方法来解析语言，目前，谷歌开源了一款基于Deep Learning的学习工具——word2vec，这是首款面向大众的Deep Learning学习工具 学习中

外国的http://nlp.stanford.edu:8080/parser/index.jsp 仅限英文，中文可以使用

还没研究

版本问题 JE分词目前只用于Lucene的1.9-2.4版本，3.0版本的分词不可用，原因待查找

无

中文分词入门之最大匹配法 淘宝目前的分词用的好像就是这类

无

http://nlp.stanford.edu/pubs/SocherBauerManningNg_ACL2013.pdf

https://github.com/aaronlifenghan/aaron-project-lepor 机器翻译自动评价诸多开源代码 open source for research purpose machine translation evaluation tools: https://github.com/aaronlifenghan/aaron-project-hlepor

word2vec很热

http://pan.baidu.com/share/link?shareid=1471632606&uk=3223972836 李志飞的

LLDA 主要是用来解决多标签问题的 slda要求每个doc只能有一个label。llda好像是在这点上做了扩展。 参照： Supervised topic models stanford

http://www.mpi-inf.mpg.de/yago-naga/patty/

未知

二分类投票 libsvm，训练时间太久, iblinear可以处理大数据。但是 当特征维度和类别个数都很大时，它就无力 vowpal wabbit

可以设计一个NER，将其识别出来

Mallet：